CN110719112B - 一种基于深度学习的参数自适应rs码译码方法 - Google Patents

一种基于深度学习的参数自适应rs码译码方法 Download PDF

Info

Publication number
CN110719112B
CN110719112B CN201910861946.XA CN201910861946A CN110719112B CN 110719112 B CN110719112 B CN 110719112B CN 201910861946 A CN201910861946 A CN 201910861946A CN 110719112 B CN110719112 B CN 110719112B
Authority
CN
China
Prior art keywords
sequence
training
reliability
decoding
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910861946.XA
Other languages
English (en)
Other versions
CN110719112A (zh
Inventor
梁煜
安翔宇
张为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910861946.XA priority Critical patent/CN110719112B/zh
Publication of CN110719112A publication Critical patent/CN110719112A/zh
Application granted granted Critical
Publication of CN110719112B publication Critical patent/CN110719112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
    • H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
    • H03M13/13—Linear codes
    • H03M13/15—Cyclic codes, i.e. cyclic shifts of codewords produce other codewords, e.g. codes defined by a generator polynomial, Bose-Chaudhuri-Hocquenghem [BCH] codes
    • H03M13/151—Cyclic codes, i.e. cyclic shifts of codewords produce other codewords, e.g. codes defined by a generator polynomial, Bose-Chaudhuri-Hocquenghem [BCH] codes using error location or error correction polynomials
    • H03M13/1515—Reed-Solomon codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明涉及一种基于深度学习的参数自适应RS码译码方法，包括下列步骤：对信息序列X进行RS码编码，得编码后的信息序列u；对信息序列u进行BPSK调制，得到传输序列s；传输序列通过高斯白噪声信道后得到接收序列y；再利用接收序列y构造可靠度矩阵，并计算得到可靠度序列R；将可靠度序列R分为训练集与测试集；进行神经网络的训练；针对R的训练集与对应的接收序列y，使用不同η值的LCC译码算法分别进行测试，找到与训练集接收序列y一一对应的η最优解；以SNR和可靠度序列R为输入，以测试得到的最小η值为分类标签，两者共同形成神经网络训练的数据集。

Description

一种基于深度学习的参数自适应RS码译码方法
技术领域
本发明属于信道编码中差错控制编码领域，涉及一种基于深度学习的参数自适应译码算法。
背景技术
差错控制是在数字通信中利用编译码技术对信道噪声引起的传输错误加以控制及纠正，以保证通信有效性和可靠性的基本方法。差错控制编码在数字通信领域应用十分广泛，具有重要的研究意义。Reed-Solomon(RS)码是差错控制编码的一种，于1960年首先由Reed和Solomon构造出来，其结构简单，译码延迟较短，结构特性丰富，可纠正随机错误和突发错误。尤其在纠正突发错误的应用中，RS码比其它差错控制编码性能更加优异。目前，RS码已广泛应用无线通信、光纤通信、磁盘及固态存储等领域，一直是产业界和学术界研究的热点。
根据解调器输出符号的形式，RS码的译码算法可分为两类：硬判决译码算法和软判决译码算法。其中，硬判决译码算法相对简单，且易于硬件实现，但该算法未充分利用信道软信息，译码性能有所损失。软判决译码以复杂度为代价换取译码增益的提高，主要包括KV、BGMD和LCC算法。其中，LCC算法在复杂度和计算周期上均优于前两者。同时，该算法的译码性能、复杂度与其重数分配过程的参数η密切相关。
近年来，深度学习因其强大的解决复杂任务的能力引起了全世界的关注。深度学习方法也被应用到了语音识别、计算机视觉、机器翻译等领域，为这些了领域带来了巨大革新与突破。深度学习与编码领域结合的方案取得了一些研究成果，在polar码、BCH码、LDPC码等领域展开深入研究。目前的大多研究将译码看作分类问题，使用神经网络结构(如DNN、CNN、RNN)实现完整的译码过程。此类方案存在的明显不足是，神经网络对未经学习的码字(未包含在训练集的码字)预测能力非常差，码字长度的增加带来的码字可能情况指数性***增长会很大程度上影响译码器性能。除此之外，部分研究提出使用深度学习辅助传统译码算法，进行相关噪声的消除、关键参数的预测等，以提升传统算法性能。
发明内容
本发明的目的是提供一种可以降低复杂度并提高效率的基于深度学习的参数自适应译码方法。技术方案如下：
一种基于深度学习的参数自适应RS码译码方法，包括下列步骤：
(1)对信息序列X进行RS码编码，得编码后的信息序列u。对信息序列u进行BPSK调制，得到传输序列s。传输序列通过高斯白噪声信道后得到接收序列y。再利用接收序列y构造可靠度矩阵，并计算得到可靠度序列R。将可靠度序列R分为训练集与测试集。
(2)进行神经网络的训练。针对R的训练集与对应的接收序列y，使用不同η值的LCC译码算法分别进行测试，找到与训练集接收序列y一一对应的η最优解。以SNR和可靠度序列R为输入，以测试得到的最小η值为分类标签，两者共同形成神经网络训练的数据集。神经网络结构使用MLP结构，通过反向传播算法不断优化网络的权值w和偏置b，在足够的数据集及训练代数条件下，得到分类准确率高的神经网络，完成训练过程。
(3)以SNR和R的测试集输入，通过训练后的神经网络计算得η最优解。接下来，使用参数自适应后的η值进行LCC译码，得到译码后序列X′，最终完成译码。
附图说明
图1基于深度学习的参数自适应译码算法的***框图
图2神经网络的训练过程
具体实施方式
本发明提出的基于深度学习的参数自适应译码算法，是一种使用深度学习辅助传统RS码LCC译码的算法。据分析，LCC算法中关键参数η与信道环境、可靠度信息密切相关，而η值的大小决定着LCC算法的译码性能及复杂度。求解η最优解的问题，可以看做简单的分类问题，神经网络具有的强大模式分类能力，可以简单高效地选择η最优解。通过深度学习方法实现LCC算法中关键参数η随信道环境、接收序列可靠度信息自适应变化，可以在不影响译码性能的前提下，提高译码效率。
基于深度学习的参数自适应译码算法，具体包括两个阶段，训练阶段和译码阶段。
(1)训练阶段实现构建和训练神经网络的过程。基于监督学习，本发明构建多层感知机(MLP)神经网络结构，节点数及层数由码长决定。在训练的数据集方面，以信噪比与似然比连接作为输入，以对应的传统译码算法测试得到η最优解为分类标签。经训练及调试，得分类准确率优良的神经网络。
(2)译码阶段将具体码字的信噪比与似然比输入训练好的神经网络，得到η最优解。后根据最优解进行传统LCC译码。
下面结合附图，对本发明的技术方案作进一步具体的说明。
如图1所示，基于深度学习的参数自适应译码算法，具体包括以下步骤：
(4)对信息序列X进行RS码编码，得编码后的信息序列u。为使编码后信息转化为适合在信道中传输的模式，对信息序列u进行BPSK调制，得到传输序列s。传输序列通过高斯白噪声信道(AWGN)后得到接收序列y(y＝s+n，n为AWGN信道噪声)。再利用接收序列y构造可靠度矩阵，并计算得到可靠度序列R。将可靠度序列R分为训练集与测试集，两者比例9:1。
(5)如图2，进行神经网络的训练。针对R的训练集与对应的接收序列y，使用不同η值的LCC译码算法分别进行测试，找到与训练集接收序列y一一对应的η最优解(正确译码情况下的最小值)。以SNR和可靠度序列R为输入，以测试得到的最小η值为分类标签，两者共同形成神经网络训练的数据集。神经网络结构使用多层感知器(MLP)结构，通过反向传播算法不断优化网络的权值w和偏置b，在足够的数据集及训练代数条件下，得到分类准确率高的神经网络，完成训练过程。
(6)以SNR和R的测试集输入，通过训练后的神经网络计算得η最优解。接下来，使用参数自适应后的η值进行LCC译码，得到译码后序列X′，最终完成译码。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (1)

1.一种基于深度学习的参数自适应RS码译码方法，包括下列步骤：
（1）对信息序列X进行RS码编码，得编码后的信息序列u；对信息序列u进行BPSK调制，得到传输序列s；传输序列s通过高斯白噪声信道后得到接收序列y；再利用接收序列y构造可靠度矩阵，并计算得到可靠度序列R；将可靠度序列R分为训练集与测试集；
（2）进行神经网络的训练：η为LCC译码算法中关键参数，与信道环境、可靠度信息密切相关，而η值的大小决定LCC算法的译码性能及复杂度,针对R的训练集与对应的接收序列y，使用不同η值的LCC译码算法分别进行测试，找到与训练集接收序列y一一对应的η最优解,η最优解即正确译码情况下的最小值；以SNR和可靠度序列R为输入，以测试得到的最小η值为分类标签，两者共同形成神经网络训练的数据集；神经网络结构使用MLP结构，通过反向传播算法不断优化网络的权值w和偏置b，在足够的数据集及训练代数条件下，得到分类准确率高的神经网络，完成训练过程。
CN201910861946.XA 2019-09-12 2019-09-12 一种基于深度学习的参数自适应rs码译码方法 Active CN110719112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910861946.XA CN110719112B (zh) 2019-09-12 2019-09-12 一种基于深度学习的参数自适应rs码译码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910861946.XA CN110719112B (zh) 2019-09-12 2019-09-12 一种基于深度学习的参数自适应rs码译码方法

Publications (2)

Publication Number Publication Date
CN110719112A CN110719112A (zh) 2020-01-21
CN110719112B true CN110719112B (zh) 2023-08-29

Family

ID=69210385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910861946.XA Active CN110719112B (zh) 2019-09-12 2019-09-12 一种基于深度学习的参数自适应rs码译码方法

Country Status (1)

Country Link
CN (1) CN110719112B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116155453B (zh) * 2023-04-23 2023-07-07 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种面向动态信噪比的译码方法及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011032387A1 (zh) * 2009-09-15 2011-03-24 中兴通讯股份有限公司 Rs码的译码方法和装置
CN107241106A (zh) * 2017-05-24 2017-10-10 东南大学 基于深度学习的极化码译码算法
CN109245854A (zh) * 2018-08-15 2019-01-18 西安电子科技大学 一种基于ai的端到端无线通信***及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7519898B2 (en) * 2004-03-25 2009-04-14 Krishna Rama Narayanan Iterative decoding of linear block codes by adapting the parity check matrix

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011032387A1 (zh) * 2009-09-15 2011-03-24 中兴通讯股份有限公司 Rs码的译码方法和装置
CN107241106A (zh) * 2017-05-24 2017-10-10 东南大学 基于深度学习的极化码译码算法
CN109245854A (zh) * 2018-08-15 2019-01-18 西安电子科技大学 一种基于ai的端到端无线通信***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RS乘积码译码算法研究;李伟;周金荣;;舰船电子工程;第30卷(第4期);80-83 *

Also Published As

Publication number Publication date
CN110719112A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN107026656B (zh) 一种基于扰动的CRC辅助中短码长Polar码有效译码方法
KR101751497B1 (ko) 행렬 네트워크 코딩을 사용하는 장치 및 방법
CN110995278B (zh) 一种改进极性码串行消除列表比特翻转译码方法及***
CN107231158B (zh) 一种极化码迭代接收机、***和极化码迭代译码方法
CN107565984B (zh) 一种预编码为非规则码的Raptor码优化编码方法
Jamali et al. Productae: Toward training larger channel codes based on neural product codes
CN110061803B (zh) 一种低复杂度的极化码比特交织编码调制方法
CN110719112B (zh) 一种基于深度学习的参数自适应rs码译码方法
CN112332864A (zh) 一种自适应有序移动剪枝列表的极化码译码方法及***
CN106487446B (zh) 适合于强度调制/直接检测式的光空时网格码编码方法
JP2012170077A (ja) 通信システムでの復号化のための装置及び方法
CN103188040B (zh) Turbo均衡及其帧间、帧内相关预测的方法和装置
CN101552613B (zh) 基于外信息符号变化的低密度校验码译码方法
Leung et al. Low-Latency neural decoders for linear and non-linear block codes
CN110730009B (zh) 一种基于深度学习的校验子输入rs码译码方法
Di Renzo et al. Upper bounds for the analysis of trellis coded spatial modulation over correlated fading channels
CN110061747A (zh) 一种极化码的基于阈值的比特反转译码方法
Pathak et al. Performance analysis of polar codes for next generation 5G technology
Wang et al. Perturbation-enhanced SCL decoder for polar codes
CN113285722A (zh) 一种短极化码的多偏差分段冗余校验辅助统计译码方法
CN114614835A (zh) 一种适用于水声通信的极化码bp译码方法
Li et al. A deep learning based method for blind recognition of LDPC codes
Raj et al. Design of successive cancellation list decoding of polar codes
CN115426014B (zh) 一种基于酉空时编码调制的水声mimo通信方法
Song et al. ANN based adaptive successive cancellation list decoder for polar codes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant